cv中数组维数与图像通道的探索

cv中数组维数与图像通道的探索

在神经网络的学习与探索中发现，在将数据放入网络中训练的前一步——数据的预处理也至关重要，包括数据的加载、数据通道数的调整、数据集的扩充、数据的裁剪等预处理操作。当然，这都应属于计算机视觉图像处理的基本操作。

1. 数组的维数

维数可以理解为空间中的坐标轴，一维数组就是一个一维向量，二维数组就是一个X、Y轴，三维数组再加一条Z轴。
实践出真知：

arr1 = np.array([1, 2, 3, 4, 5, 6])           #  1维
arr2 = np.array([[1, 2, 3], [4, 5, 6]])		  #  2维
arr3 = np.array([[[1, 2, 3], [4, 5, 6]], 	  #  3维
				[[7, 8, 9], [10, 11, 12]]])

现在容易理解一维与二维数组在计算机中的储存方式，但三维呢？
其实三维可以简单理解为现实中的三维立体图形，比如上面的2×2×3的数组，映射到现实中就是这样的存在：

可以利用[ :, :, : ]切片功能简单验证一下：

# 3个维度全部显示
A = arr3[:, :, :]
print(A)

[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]
_______________________
_______________________

#显示第一维的第一‘层’
A = arr3[:1, :, :]
print(A)

[[[1 2 3]
  [4 5 6]]]
_______________________
_______________________
#显示第一维的第二‘层’
A = arr3[1:2, :, :]
print(A)

[[[ 7  8  9]
  [10 11 12]]]
_______________________
_______________________
#显示第二维第一‘列’
A = arr3[:, :1, :]
print(A)

[[[1 2 3]]

 [[7 8 9]]]
_______________________
_______________________
#显示第二维第二‘列’
A = arr3[:, 1:2, :]
print(A)

[[[ 4  5  6]]

 [[10 11 12]]]
_______________________
_______________________
#显示第三维第一‘列’
A = arr3[:, :, :1]
print(A)

[[[ 1]
  [ 4]]

 [[ 7]
  [10]]]
_______________________
_______________________
.
.
.

切片与坐标对应的三维分别为：

可以与上面的图片一一对应一下，丝毫不差。
我想将PC中虚拟的二进制对应到现实中来，会更有助于理解。

2. 图片的通道

常见的图片通道数一般为一通道跟三通道，一通道为灰度图，灰度范围为0-255，数值越小图片越亮；三通道图片即RGB图片，三个通道便说的是R、G、B三个通道，每个通道的取值范围也是0-255，RGB图片的像素值由三个0-255的数值表示。
三通道图片在计算机中储存时：每一个坐标对应三个值。
所以可以将三通道切分成单通道。